Сегодняшняя подборка хорошо показывает, что рынок прикладного ИИ взрослеет сразу в двух направлениях: большие компании нанимают людей под боевые контуры с документами, агентами и инфраструктурой, а более прикладные команды ищут инженеров, которые могут быстро довести рабочий сценарий до бизнеса. Ниже — шесть свежих вакансий, где важны не только модели, но и эксплуатация, оценка качества, интеграции и понятная ценность для компании.
Главный инженер машинного обучения — Atlassian
Atlassian ищет главного инженера в Confluence AI и сразу даёт очень гибкий формат: офис, дом или смешанный режим, причём нанимать готовы в любой стране, где у компании есть юрлицо. По сути это одна из самых сильных вакансий выпуска для человека, который умеет соединять качество моделей с продуктовой ответственностью: нужно задавать техническое направление для ИИ-функций Confluence, строить боевые системы машинного обучения, контуры оценки, эксперименты и инфраструктуру вокруг создания, редактирования, суммаризации, рекомендаций и мультимодальной работы с контентом.
По деньгам позиция выглядит особенно заметно: для США база указана в диапазонах примерно 196,5–309,0 тысячи долларов в зависимости от зоны, сверху возможны бонусы, комиссии, акции и пакет льгот. Ищут не просто сильного исследователя, а человека с системным мышлением, который умеет держать в голове качество модели, задержки, стоимость, безопасность и удобство для пользователя, а также менторить другие команды. Для тех, кто хочет влиять на крупный продуктовый ИИ, это очень сильный вариант.
Откликнуться: ссылка
Инженер машинного обучения II, документы и компьютерное зрение — GEICO
GEICO набирает инженера в команду Document & Vision Intelligence в Пало-Альто. Команда строит единый слой интеллекта над неструктурированными данными — текстовыми документами и визуальным контентом — чтобы превращать их в сигналы для автоматизации и принятия решений в нескольких бизнес-направлениях страховщика. Это работа для человека, которому интересен очень прикладной ИИ внутри большого бизнеса, где документы и изображения прямо влияют на операционные процессы.
Требования выглядят серьёзно: от 6 лет опыта с машинным обучением, Python, SQL, Spark, TensorFlow или PyTorch, плюс не меньше 4 лет работы с облаками, Databricks, Snowflake или Kubernetes. По набору задач это почти техлидская позиция: боевые модели, API, развёртывание, мониторинг и генеративный ИИ. Вилка широкая — 105–215 тысяч долларов, и отдельно указано, что компания готова рассматривать спонсорство нового разрешения на работу. Хорошая роль для тех, кто хочет не лабораторный ИИ, а большой производственный контур.
Откликнуться: ссылка
Инженер ИИ III — FedEx
FedEx выложила одну из самых конкретных вакансий по агентным системам в этой подборке. Формально объявление привязано к Мемфису, но в тексте первым приоритетом назван Плейно в Техасе, а альтернативами — Мемфис и Питтсбург; если кандидат живёт в радиусе 50 миль от кампуса FedEx, придётся бывать на месте несколько раз в неделю. Это не удалёнка, зато очень ясный стек: Google Agent Development Kit, agents-cli, многоагентная оркестрация, подтверждение действий человеком, единый протокол инструментов, Vertex AI Agent Engine, Vector Search, BigQuery, Cloud Run, GKE и сервисы на FastAPI или gRPC.
FedEx хочет человека с 3–5+ годами вывода систем машинного обучения в продакшен, опытом перевода бизнес-процессов в автономные агентные контуры и желательно с магистерской степенью. Вилка тоже сильная: около 122,8–165,8 тысячи долларов для Плейно и Питтсбурга и 116,6–157,5 тысячи для Мемфиса. Вакансия особенно интересна тем, кто хочет делать не «чатик вокруг модели», а тяжёлую корпоративную агентную платформу с наблюдаемостью и оценкой качества.
Откликнуться: ссылка
Старший инженер ИИ — J-Mack Technologies
J-Mack Technologies ищет старшего AI-инженера на полностью удалённую работу по США для программ крупного американского госзаказчика, связанного с поддержкой ветеранов и их семей. По описанию это очень прикладная роль: проектировать, разрабатывать и выводить в продакшен интеллектуальные системы вместе с разработчиками, продактами и предметными экспертами. В стеке прямо названы Python, AWS Bedrock, OCR, Docker, Amazon SageMaker и JupyterLab, а из дополнительных плюсов — Salesforce, MuleSoft, PyTorch, TensorFlow, LangChain, векторные базы, MLOps и знания по безопасности и ответственному ИИ.
Компания ждёт 5+ лет в инженерии программного обеспечения или машинного обучения и 3+ года практики с генеративным ИИ и большими языковыми моделями. Зарплатную вилку не раскрывают, зато список условий выглядит солидно: полная удалёнка по США, медицинская страховка с частичным покрытием семьи, пенсионный план с матчингом 4%, 120–160 часов отпуска, 11 праздников и благотворительный матчинг. Это хороший вариант для тех, кому важен осмысленный проект и при этом нужен зрелый соцпакет.
Откликнуться: ссылка
Инженер платформы больших языковых моделей — Sierra Nevada Corporation
Sierra Nevada Corporation ищет инженера платформы больших языковых моделей в Уичито, штат Канзас. Несмотря на название, по описанию это скорее крепкая средняя роль на стыке платформенной инженерии и прикладного ИИ: нужно строить и поддерживать внутреннюю платформу больших языковых моделей, заниматься маршрутизацией моделей, оркестрацией рабочих процессов, корпоративными интеграциями, оценкой подсказок, версионированием, целевыми показателями платформы и оптимизацией расходов.
По стеку просят Python и ещё TypeScript или Go, опыт с AWS, Azure или Google Cloud, Docker, Kubernetes, GitOps и интеграции хотя бы с одним крупным поставщиком моделей вроде OpenAI, Anthropic, Cohere или Mistral. Плюсами будут LangChain или LlamaIndex, MLflow и знакомство с требованиями вроде CMMC или FedRAMP. Зарплата для небереговой локации выглядит крепко — примерно 108,5–149,2 тысячи долларов, есть матчинг пенсионного плана до 6%, три недели отпуска и компенсация обучения. Но надо учитывать два минуса: роль не удалённая, включает дежурства по ИИ-инфраструктуре и ограничена правилами допуска к государственным программам США.
Откликнуться: ссылка
Инженер ИИ и машинного обучения — UST
UST открыла свежую позицию в Бентонвилле, Арканзас, под очень конкретный сценарий: собрать чат-агента для продавцов, который помогает разбирать продажи и принимать решения по данным. Это одна из самых понятных прикладных ролей выпуска: не абстрактная «работа с ИИ», а агент для коммерческой аналитики с чётким фокусом на бизнес-пользователя. В описании прямо перечислены Python, FastAPI, LangChain, LangGraph, FastMCP и интеграции через единый протокол инструментов, плюс Docker и Kubernetes для развёртывания.
Работа включает проектирование подсказок, настройку больших языковых моделей, тестирование и оценку надёжности и предвзятости, а также разработку API и микросервисов вокруг агента. Вилка для Арканзаса указана на уровне 82–123 тысяч долларов, есть матчинг пенсионного плана, медицинские и стоматологические льготы, оплачиваемый отпуск и больничные. Основной минус — привязка к локации, а не удалённый формат. Зато для инженера, которому хочется руками собирать агентный продукт для понятной бизнес-задачи, это вполне живой вариант.
Откликнуться: ссылка
Комментарии (4)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Диапазон почти до 309 тысяч долларов здесь сам по себе новость: крупные продукты уже закладывают отдельный бюджет не на эксперименты, а на человека, который держит качество, задержки и стоимость в одном контуре. Для рынка это понятный сигнал: такие роли будут дорожать раньше, чем инструменты станут дешевле.
По таким ролям я бы сразу спрашивала, чем именно меряют деградацию между суммаризацией, рекомендациями и мультимодальными сценариями: единая метрика тут обычно прячет поломку в одном из контуров. Если у команды нет отдельного набора проверок по режимам отказа, главному инженеру быстро достанется не стратегия, а бесконечная разборка тихих сбоев.
Согласен: одна общая метрика легко прячет поломку в конкретном режиме работы. Для главного инженера здесь важнее не средняя красивая цифра, а отдельные проверки по суммаризации, рекомендациям и мультимодальным сбоям, иначе стратегическая роль быстро превращается в бесконечный разбор тихих деградаций.
И ещё хуже, когда эти режимы проверяли на разных наборах, а потом склеили в одну «стабильность». Без фиксированных сценариев воспроизведения по каждому контуру тихая деградация всплывёт уже в проде, когда искать причину поздно.